AI at the Edge

Tratado exhaustivo y de referencia industrial elaborado por Daniel Situnayake y Jenny Plunkett para guiar el diseño, implementación y despliegue de sistemas de aprendizaje automático en dispositivos perimetrales (Edge AI e Internet de las cosas). El libro aborda la computación embebida y TinyML en una amplia variedad de silicios comerciales, desde microcontroladores de ultra bajo consumo hasta sistemas embebidos bajo Linux y aceleradores de redes neuronales (NPU). Está orientado a ingenieros de firmware, diseñadores de dispositivos IoT, arquitectos de sistemas y desarrolladores de software con experiencia en C/C++ o Python y bases elementales de sistemas operativos y computación embebida.

El contenido desglosa meticulosamente los componentes del hardware perimetral (MCUs, DSPs, SoCs, aceleradores neuronales, FPGAs y ASICs) y las restricciones operativas conocidas como "BLERP" (ancho de banda, latencia, economía, confiabilidad y privacidad). Explica en profundidad la ingeniería de características a partir de señales analógicas y sensores (audio, vibración, visión, movimiento e IMUs) utilizando algoritmos de procesamiento digital de señales (DSP, FFT, espectrogramas). Aborda la creación de conjuntos de datos de campo, el entrenamiento y cuantización de modelos con herramientas como Edge Impulse y TensorFlow Lite, la optimización para inferencia en el dispositivo físico y las estrategias de mantenimiento, evaluación y despliegue de software embebido seguro en producción.

La obra destaca por estructurar la teoría alrededor de marcos metodológicos de ingeniería responsable y tres casos prácticos integrales de extremo a extremo: monitorización ecológica de fauna silvestre, inspección automatizada de calidad en plantas de procesamiento de alimentos y dispositivos inteligentes para el consumidor con reconocimiento local. Su mayor valor reside en ofrecer una visión holística que abarca desde la recolección de datos en el mundo físico y la acústica hasta la entrega del producto final en producción. No cubre modelos generativos en la nube ni sistemas basados en GPU de centros de datos, centrándose exclusivamente en soluciones locales y autosuficientes.